[完整記錄] 2025 AI/UX 第 1 場｜擁抱不確定性：在 AI 時代的定位與思維

1 前言：講者 Max 老師背景介紹

Max 老師目前在銘傳大學資管系任教，擁有多元的學術背景，包括土木、交通、資管和資訊等領域。在自我介紹裡，老師也稍微自嘲這看似精通多門學科的背後，實際上是一個不斷迷惘在尋找自己方向的人。老師坦言自己念土木系時雖然十分痛苦，成績也不理想，但幫助他磨練了數學能力。理解交通工程，擁有規劃道路紅綠燈和設計飛機場的概念，有趣的是藉由這些經驗與磨練，後來甚至有段時間擁有可以控制台北市紅綠燈系統的趣事。

隨後發現電腦在多種場景中的強大功能，因此對資管產生興趣，認為資管不僅可以幫助人和企業，同時也會影響人和企業，後續也有機會出國進修資訊領域。這些資訊以科技，人們如何使用、運用、了解和控制這些資訊的互相關係一直是他感興趣的話題。Max 老師是現任 UXTW / IxDA Taiwan 協會成員，同時也是悠識資訊架構的顧問，還與悠識 Richard 合作翻譯了《資訊架構學》。

跟 AI 有什麼關係呢？

談到與 AI 的關係，老師也分享他初次接觸 AI， 是在所謂的「AI 第二個冬天」時期，當時在系上修了一名專精於專家系統和 AI 的老師後。課程內容深深吸引了他，使他對交通工程的興趣減退，轉而對電腦的智能產生濃厚興趣，後續論文也聚焦於 AI 相關的領域。

在申請資管研究所時，他的計畫書全部圍繞 AI 展開。雖然後來因各種原因沒有專注於此，但仍修了許多相關課程。 出國進修期間，老師持續保持對這一主題的關注。現在，在學校與學生合作進行簡單的 AI 項目應用，並教授 AI 應用和管理方面的課程。在這段漫長而複雜的關係中，Max 老師見證了 AI 的諸多變化，希望能與大家分享這些經驗。

2 討論 AI 的二件重要事情

一、時間尺度

如果沒有考慮清楚時間因素，很多事情可能變得混亂或複雜。 但如果時間跨度足夠長，幾乎任何事情都有可能發生，例如百年後 AI 是否會統治人類，或五年、十年後某些工作是否會消失。

老師指出，若沒有釐清討論的是多久以後的事情，或者自己在擔憂什麼時間點的變化，可能會產生不正確的反應。通常在短時間內，變化相對較小。以生成式 AI 為例，儘管它已經出現一年、兩年，但大多數人的工作並沒有因此消失，甚至工作內容的變化也沒有那麼劇烈。

Max 老師希望能透過這個簡單例子，提醒大家談論 AI 時要注意時間尺度，是在討論一個月後、三個月後，還是三年、五年、十年甚至二十年後的長期變化，這些不同的時間跨度會帶來很大的影響。

二、讓子彈飛一會

我們正處於技術變革的過程中，這既是幸運也是不幸的。許多事情確實存在模糊地帶，因為我們無法確定技術將如何進步及影響我們。因此，老師建議「讓子彈飛一會」— 如果有些事情看不清楚，甚至預測錯誤，都是很自然的現象，因為一切都在變化中，而且變化速度相當快。

大家不必太過緊張：如果行動較快，確實可以獲得時間紅利，在他人尚未接觸到新技術前先行使用並獲益。但行動慢一點也無妨，可以等待整個發展和應用更加成熟時再加入。

以一年前的 ChatGPT prompt 指南為例，如果現在給你這本詠唱寶典，你現在還會想要用嗎？一年前很有效有用的 prompt ，到了現在，可能已經變成沒有用的東西了！

老師以自己學習電腦是在 DOS 時代為例，當時記憶了大量 DOS 指令，成為一個「工具人」，經常幫助他人處理電腦問題。但如果有人比他晚學習十年、二十年甚至更久，並不意味著這些人就處於劣勢。很多知識會隨著時代過去而變得不再重要，錯過某些技術浪潮不一定是巨大的損失。

因此，老師鼓勵大家正視當前技術仍在變化中的事實，看不準方向是很合理的，許多未來發展仍是未知的，所以不必過於焦慮。

3 Gartner 技術成熟度曲線

老師透過 Gartner 顧問公司著名的技術成熟度曲線（Hype Cycle）來講解 AI 的發展。

根據 Gartner 的觀點，許多科技都會經歷先上升後下降的發展階段。最初是「創新的觸發起點」，當一項新技術宣稱可以解決問題或帶來新能力時，會引起大家期待，使其在曲線上開始攀升。

• 隨著期待不斷提高，曲線會攀升至頂點。然而，達到頂峰後往往會突然下降，這是因為在攀升階段，技術通常尚未有足夠成熟的應用。原因是大家擁有了這項技術並感到興奮，但不知道該如何使用或會帶來什麼結果，當發現技術並沒有想像中那麼厲害或成功時，曲線就會下降到「騙人的低谷」。
• 在低谷階段，人們開始理清問題所在，逐漸了解實際情況，之後曲線會緩慢攀升，進入「啟蒙的斜坡」。隨著對技術的理解更加透徹，應用也變得越來越成熟，最終達到「生產力的高原」，也就是技術被普遍接受並廣泛應用的階段。
• Max 老師提醒大家，這與剛剛提到的，「時間尺度」相關。可以思考當前關注的 AI 技術處於哪個階段：是正在攀升？接近頂峰？即將下降？還是已經進入啟蒙階段？
  2024 年的技術成熟度曲線圖顯示，有些技術預計在不同時間範圍內達到成熟應用：白色圈表示不到兩年，淺藍色表示 2-5 年，深藍色表示 5-10 年，三角形表示 10 年以上。

例如，生成式 AI 在 2023 年達到曲線頂點，Gartner 預測需要 5-10 年達到成熟應用，但到了 2024 年的預測已縮短為 2-5 年。

這邊老師也特別提到，技術進展的速度受多種因素影響，例如資源投入的多寡會加快或減緩發展。因此可以參考這些預測來了解可能的進展，免於過於擔憂。

4 AI 的三層架構模型

Max 老師表示他非常喜歡各種架構，並介紹了 Accenture 公司在一本書中提出的 AI 三層架構模型。這個模型將 AI 分為三個同心圓：

• 第一層，機器學習（Machine Learning）：包含深度學習等基礎技術。
• 第二層，AI 能力（AI Capabilities）：運用核心技術所實現的 AI 功能，如電腦視覺、自然語言處理與理解等。
• 第三層，應用（Applications）：更實際的應用系統，如智慧自動化、推薦系統、個人化服務等。

Max 老師想分享這個架構的目的不是詳細解釋每個部分的內容，而是說明架構本身的價值。

「架構是幫助我們觀察世界的工具，它告訴我們該關注什麼，以及不同元素之間可能的關係。」

在 AI 這樣複雜的領域，架構能幫助人們理清思路，知道該注意什麼。

• 第一層的技術內容可能會隨時間而變化，除非是技術人員，否則與一般人的關係可能較遠。
• 第二層的 AI 能力與人們的距離更近一些，代表 AI 能夠完成的任務，如識別圖像、理解文字等。
• 第三層的應用則是這些能力在特定場景中的實際運用，如臉部辨識用於安全控制或簡化輸入流程，像是刷臉上班。

此時話鋒一轉，Max 老師建議大家可以記住這個圈圈的架構模型，用來分類和理解所接觸的 AI 相關事物。甚至提出，許多人可能處於「更外一層」，即只與某個應用的特定部分相關。只要了解自己在架構中的位置，有助於判斷哪些技術變化會對自己產生影響，哪些則可能與自己關係不大。比如說：「大型語言模型應該歸類在哪一層的？」老師強調這並非唯一或絕對正確的答案。錯了也沒有關係，錯了就改。

「架構是用來幫助觀察世界的，而非限制思考的。」 

如果現有架構不適用於特定情境，可以靈活調整，例如增減層次、重新劃分類別等，可以是四圈五圈，也可以十字切割，相輔相成。世界不斷變化，架構也需要不斷更新，從架構本身的價值去理解 AI 。科技發展往往是從內部技術驅動應用，隨著應用增多，也會有從應用端去拉動技術發展的情況。了解自己在架構中的位置，有助於確定如何推進發展及尋求適當的支援。

5 決策的要素與 AI 的影響

來自幾位經濟學家所著《Prediction Machine》一書中的人類決策模型，這個架構展示了決策過程的各個元素：

• 輸入（Input）： 不僅限於電腦，人類也會接收輸入資訊。例如出門觀察天色判斷天氣，或老人家會依據關節疼痛預測將要下雨等。
• 訓練（Training）： 不僅指 AI 模型的訓練，也包括人類的學習過程。人們透過長期經驗學習、像是看到天氣陰陰的知道會下雨。
• 預測（Prediction）： 基於輸入和訓練產生的預測結果。
• 判斷（Judgment）： 這是價值判斷的環節。例如，即使預測可能下雨，有些人可能因嫌麻煩而選擇不帶傘，有些人則因不想淋濕而選擇帶傘。
• 行動（Action）： 根據預測和判斷採取的行動，如帶傘或不帶傘。
• 結果（Outcome）： 行動產生的結果，例如淋濕了或白帶一隻很重的傘。
• 回饋（Feedback）： 結果會回饋到訓練環節，成為經驗的一部分，影響未來的決策。

這些經濟學家將 AI 視為「預測機器」。 預測不僅是告訴我們未來可能發生什麼，實際上從輸入轉變為輸出的過程也是一種預測。例如，語言翻譯是預測另一種語言中最合適的表達方式像是中文講的話，預測成合適的英文。AI 繪製圖像時，它也是根據使用者輸入的內容透過訓練經驗預測出要求的畫面。

在這個架構中，「判斷」尤為重要，因為它涉及到價值觀和企業或社會環境所看重的事物。

不同人、不同組織對同一預測可能做出不同判斷。即使 AI 能夠學習人類的偏好（如是否帶傘的決定），但在更複雜的情境中，準確理解所期望的判斷標準仍面臨諸蠻多的困難。

書中有一個有趣的例子：「當 AI 預測變得極為準確時，就可能改變商業模式。比如亞馬遜可能從『訂貨後出貨』轉變為『先出貨再購買』，如果能以極高準確率預測顧客需求，先送貨到府，顧客可能會欣然接受已送達的商品。想想看你一出家門就踢到一個箱子，箱子裡的東西九成都是你需要的商品！最多你也只需要退一成商品回去即可。」

但現在的預測超不準，所以現在也只是理想化，可是，即使預測準確率達到 90% 以上，是否要採用這種模式仍是一個「判斷（Judgment）」問題，因為人們可能不希望被過度了解或控制，所以可能這個模式就會失敗了XD！

基於這個架構，形成了「AI Canvas」（AI 畫布）：AI 幫助預測什麼？基於預測會做出什麼判斷？判斷後會採取什麼行動？行動的結果是什麼？如何讓這些結果回饋到系統中改善模型？

Max 老師強調，即使不直接使用 AI，也適用於個人工作和專案管理。 它可以幫助我們發現決策過程中的盲點，例如是否有將經驗和結果適當地回饋到系統中。這就是為什麼我們需要進行檢討會議或覆盤，確保經驗不會流失，而能夠回饋到決策中，幫助做出更好的決定。

6 AI + Human

Max 老師覺得 AI 與人類的關係不應是對抗性的，而應該是協作性的。AI 應該與人類合作，共同創造價值，而非相互對立。

將人與機器能力區分的架構，左邊代表人類擅長的領域，右邊代表機器（AI）擅長的領域。

在人類擅長的領域中，包括：

1. 領導（Lead）：人類擅長領導，但 AI 作為領導者的接受度目前較低。 老師提到曾與悠識的夥伴討論過，想想看「如果有一天你的主管是 AI」，即使技術上可行，目前的社會接受度也很低，可能需要50年後才有可能實現。
2. 同理（Empathize）：人類能夠理解情境、設身處地為他人著想。雖然 AI 可以模擬同理心，但人們可能質疑這只是計算的結果，而非真正的理解。
3. 創造（Create）： 儘管 AI 現在能夠繪畫、作曲，但人類在創造力方面仍有優勢，能夠帶出不同層面的內容。
4. 判斷（Judge）： 與前面討論的相似，價值判斷仍是人類的強項，因為它涉及價值觀和道德考量。

相對地，機器擅長處理重複性任務、進行預測、適應不同情況等。

在人機交界的中間地帶，將其分為兩部分：

• 左側是「人類補足機器的地方」：機器可能需要人類的協助來完成任務。
• 右側是「AI 幫助人類的地方」：讓人們擁有超能力。

具體來說，人類可以在以下方面協助 AI：

1. 訓練（Train）： 不是訓練模型，而是幫助 AI 更像人、更適合與人合作，教導它在不同情境下該如何反應。
2. 解釋（Explain）： 協助理解和傳達 AI 的計算結果，使其更容易被使用者理解。這點特別適合使用者體驗（UX）從業者的專長，因此不用擔心沒有工作XD！
3. 維持（Sustain）： 不是在講永續，而是在講在有 AI 參與的環境中，系統運作保持在合理、合乎社會道德接受度的狀態，不會害到人。

而 AI 則可以在以下方面給予人類的超能力：

• 放大（Amplify）： 增強人類的能力，舉例年紀大了，如果失智了，可以透過 AI 放大記憶力（幫助記住人名、資訊）或推理能力（整理大量文章、預測趨勢）。
• 互動（Interact）： AI幫助你更好地與他人互動，例如提供更得體的溝通建議（像是如何拒絕別人比較客氣）。
• 實體化（Embody）： 在物理空間中增強人類能力，使人能夠在實際環境中做得更好。

這個架構也是用來幫助思考的工具，可以讓我們思考人們的優勢在哪裡、如何與 AI 合作、以及如何利用 AI 增強自己的能力。隨著 AI 能力和人類使用習慣的變化，但這個表格也需要不斷調整，可是它提供了一個讓人們看世界的角度，還有看事情的方法和觀點。鼓勵大家根據自己的需求調整或擴展架構，以便更好地理解和利用 AI 與人類協作的可能性。

7 就業風險評估：很不幸的還是有些工作會被 AI 吃掉

Max 老師表示，AI 確實會取代一些工作，這是無法避免的現實。介紹了李開復老師提出的就業風險評估架構，該架構從兩個維度來分析工作的風險：

1. 橫軸：從「可用資料優化型」到「創意或策略型」 左側是可以透過通過資料改善和優化的工作，有清晰規則，有更多資料就能提高準確性 右側是需要創造力、想像力的工作，沒有固定規則，即使有大量資料也不一定能提高效果

2. 縱軸：從「強社交」到「弱社交」 上方是社交性需求高的工作，需要情感交流、同理心甚至「愛」，下方是較少需要社交互動的工作

這四個象限形成了不同風險類別的工作：

• 左下象限（危險區）：工作不需要人的陪伴，且可透過資料改善，所以最容易被取代。
• 左上象限（結合區）：工作內容可透過資料改善，但需要人的存在，像是陪伴和理解。雖然 AI 可能做得更好，但仍需要人的角色。比如教師，儘管知識可以從書本或網路獲取，但教師的價值不僅在於傳授知識，還在於理解學生、回應學習狀況並提供適當引導。
• 右上象限（安全區）：需要創意且需要人際互動的工作，在短期內較為安全。例如心理醫師、公關顧問、CEO 等。此時Max老師舉了「門房」，也就是保全的例子，當他回到住家大樓遇見親切的保全人員關心詢問，會感到被重視和溫暖，有朝一日如果變成機器人保留，會覺得十分奇怪跟不舒適。
• 右下象限（慢變區）：不太需要人的因素，但也難以單純用資料改善的工作。AI 在這類工作上表現較差，可是這象限的工作會隨時間慢慢改進。

這些架構的目的不是要告訴大家哪些工作會消失，而是幫助人們思考如何與 AI 合作，了解自己的工作可能面臨的變化，以及如何調整自己的角色和技能以適應未來的發展。

8 夾縫中求生存？

許多人常有「在夾縫中求生存」的消極想法，彷彿人類只能接收 AI 吃剩的工作。然而，Max 老師強調真正的關鍵在於「魔鬼藏在細節之中」。

人類能在某些「細節」上思考得比 AI 更深入、更全面，特別是在 AI 缺乏資料的領域。

舉例來說，AI 不了解哪位同事較好相處，不知道特定顧客注重什麼、在意什麼，也無法得知簡報的目標聽眾是誰以及他們的喜好。即使 AI 能完成從資料來源、彙整到圖文配置等簡報工作，但仍缺乏許多關鍵的人際和情境資訊。

AI 的目前的能力邊界在「沒有資料的地方」。

以現場情境為例：在討論或演講的過程中，並非整場都有攝影機明確記錄與收集資料，若要 AI 提供回饋，必須獲取聽眾的細微表情反應等數據，才能建立互動的反饋機制。這些都是 AI 的侷限所在，雖然未來發展難以預測，但目前這些限制仍相當明確。

「不是夾縫中求生存，而是預先站在 AI 的前面，看到可能幫助我們把事情做得更好的方向。」

Max 老師鼓勵大家關注受眾身分、目標群眾特性、現場氣氛與環境，這些都是 AI 缺乏資料或判斷不如人類的領域。無論是要善用AI還是避開「夾縫中求生存」的困境，都需要重視「細節」的重要性，UX 工作者尤其擅長這方面的工作。

談到 AI 摘要功能，老師也表示自己很喜歡使用，但特別提醒在「核心業務領域要謹慎使用」。AI 摘要適合用於一般性了解，但對於核心業務、核心能力相關內容，還是建議親自花時間理解。可以與 AI 聊天討論，但需親自掌握重要細節。善用AI輔助固然是好事，但對於專業領域的關鍵細節，不應讓 AI 過度簡要摘要曲解了自己的專業性。

9 我們可以怎麼辦？

根據哈佛商業評論的研究，面對 AI 挑戰，人類有五個方向可走：

• 向上走：朝向更高層次發展，專注於整合和策略性工作。
• 向旁邊走：避開 AI 的強項，發展 AI 難以模仿的能力，如提供情緒價值和其他智慧。
• 向裡面走：深入了解 AI 運作機制，幫助改進 AI 功能，指導輸入什麼資訊和數據。
• 向窄處走：專注於利基市場或特定領域，發展專精能力，成為小領域的專家。
• 向前走：走在 AI 前端，事先看到發展趨勢和機會。

對於這五條路，沒有一條絕對最好的路，而是要「看興趣、看環境、看領域」來選擇。雖然未來某些路可能會消失，但這個架構仍有助於思考自己的定位。以教師為例，Max 老師反思自己的價值所在。開玩笑未來自己知識傳遞可以被 AI 錄影、全息投影甚至模仿語氣和聲音，太容易取代啦！但話鋒一轉，告訴大家教師的核心價值就不再只是傳遞知識，而是在於了解、支持、陪伴和理解學生。

10 紙張的案例：「紙張消失了嗎？」

數位化了那麼久，紙張消失了嗎？在某些情境下紙張仍有其獨特價值。

同樣地，AI 雖然能改變許多事情，但不會取代一切。有些紙張保留是因為不願改變或固執，但更多是因為人們發現在特定場景中，紙張比數位更有優勢。

AI 的發展與應用也是如此。現在我們可能對 AI 的能力感到驚嘆，但隨著時間的推移，會發現 AI 在某些場合表現優異，在其他場合則不然。就如同數位化沒有完全取代紙張一樣，AI 不會完全取代人類。

雖然 AI 已經帶來巨大變革，但人類需要時間去理解這些變化並找到適應的方式。

11 以「會思考」的角度和 AI 互動

Max 老師鼓勵大家用一種「會思考的事物」的角度來看待 AI，而不只是把它當成一個工具。 

就像與寵物互動一樣，我們需要有來有往的關係。 以新同事的比喻來解釋：當一個新同事加入團隊，我們會與他溝通，並逐漸調整溝通方式，了解什麼樣的互動更有效。同樣地，同事也會根據我們的行為進行調整，最終形成良好的團隊合作。

AI 也是如此，它會改變、會調整。

可以告訴 AI 我們的需求和偏好，同時我們自己的工作方法和流程也需要調整。若堅持固定的做事方式，要求 AI 完全適應我們，效果往往不佳，就像面對一個頑固不願改變的同事一樣。

世界上唯一不變的就是變化：

AI 會大幅度地進入我們的生活和工作環境，因此保持彈性非常重要。我們不應該堅持固有的工作方法或範圍界限，而應該更加開放和靈活。

12 QWERTY 鍵盤的案例

無論 QWERTY 鍵盤排列的真正起源是什麼（避免打字機手臂卡住，或字母配對關係），它可能不是效率最高的設計，但因為已被廣泛採用，轉換成本較高，所以即使有更高效的鍵盤排列方式出現，也難以替代現有方式。這就是「路徑依賴」（path dependence）的概念，我們走上了某條路，就傾向於沿著這條路繼續下去。

在電腦時代，鍵盤排列方式對機器本身沒有實際影響，但有趣的是，當觸控螢幕手機出現時，這種排列方式卻產生了新的價值：

蘋果公司為解決「胖手指」問題（在小螢幕上容易按錯鍵），開發了一種預測技術：根據使用者已輸入的內容預測下一個可能按的鍵，並悄悄擴大這個鍵的感應範圍。由於 QWERTY 鍵盤將常見的字母組合分散在不同位置（左右手交替輸入），這無意中使這種預測技術更有效。

這個例子說明了一個重要啟示：歷史發展過程中，有些看似過時或不合理的決定，可能在未來的某個時刻以意想不到的方式產生價值。 Max 老師以自己對 AI 的早期興趣為例，儘管當時 AI 處於「冬天」階段，但如今 AI 突然變得強大，他過去的經驗反而成為寶貴資產。

13 《關鍵少數》的啟發

從電影《關鍵少數》(Hidden Figures)，探討我們在 AI 時代的身份認同與適應問題。

透過故事指出，「computer」這個詞最初指的是「計算的人」。在電子計算機普及前，NASA 等機構聘用大量人員進行複雜計算工作。電影中的一位角色面臨電子計算機取代自己工作的威脅時，從最初的害怕到主動學習程式設計，最終成為 NASA 電腦部門的主管。

老師強調，分享這個故事並非建議每個人都去學寫程式，而是希望大家思考：「如果自己的工作被 AI 取代，是否必須堅持做同樣的工作？」

並提出關鍵問題：「你不想寫程式是因為真的學不好，還是因為一種身份認同？」許多人拒絕某些轉變，往往是基於「寫程式，是工程師角色的技能」固有想法。未來的程式設計方式，可能與現在的概念完全不同。就像現在人們告訴 AI 需要什麼主題和風格來生成圖像，或提供寫作主旨讓 AI 幫忙表達，未來的程式設計可能變成告訴 AI「我想實現什麼目的，有什麼資料，如何讓電腦自動完成」，而不需要向老師早期學習的那些久遠記憶繁瑣的規則。

作為 UX 設計師，我們對流程、細節、人類動機和痛點的理解，將使我們在這種新型程式設計中具有獨特優勢。

「你是喜歡計算本身，還是喜歡計算可以完成的工作？」同樣地，「你是喜歡設計本身，還是喜歡用設計去幫助人？」

如果是後者，那麼學習寫程式、使用 AI 或其他工具都可以幫助達成目標，甚至創造完全不同的流程和產品。

透過這些思考，Max 老師鼓勵大家在 AI 時代找到自己的位置和方向，不要固守於特定的工作方式或身份認同，而是關注自己真正想要實現的目標和價值。

更多場次請關注：2025 AI/UX 系列講座

學 AI、玩 AI 變成全民通識，AI 帶來的革新正在影響當代人類的生活方式。持續在數位工作衝浪的 UI/UX 工作者，也需要進行個人的職能轉型，掌握 AI 技術與設計的交集。

2025 年，六場 AI/UX 直播講座橫跨一整年，幫助數位工作者理解什麼是 AI、怎麼學 AI、有哪些實際產品案例。透過持續關注與積極學習，晉升 AI 實戰人才。